1 Introducción
1 Información de las Casen:
http://observatorio.ministeriodesarrollosocial.gob.cl/encuesta-casen-2011
2 En difícil encontar datos oficiales que entreguen información de los ingresos a nivel de persona por comunas en la Casen, porque es de hogares, lo que sociológicamente tiene sentido. La sociedad se comporta como órganos individuales funcionando dentro de los hogares. La enfermedad, como así mismo la caída del ingreso de un integrante de la familia los afecta a todos. Pensemos en la etnia, el sexo, edad, etc.
3 Fue un error haber eliminado outliers de las distribuciones de ingresos pues los resultados obtenidos de esta manera los hacen incomparables con cualquier otro tipo de análisis que no siga la misma metodologia. Casen no excluye outliers.
1.1 Cuatro fuentes de datos (las dos últimas las mismas, pero duplicadas)
Logramos obtener tres fuentes de datos:
Uno a nivel comunal en la Región Metropolitana y tres a nivel Regional:
Ingreso autónomo percápita del hogar, CASEN 2011 ($ de noviembre de 2011) de la pagina 16 de aquí.
Ingreso autónomo promedio e ingreso monetario promedio del hogar a nivel regional el 2015:
Por dos instrumentos diferentes oficiales llegamos a los mismos resultados y son a los cuales intentamos aproximarnos.
- Se comparará con una tabla muy completa pero con información por hogar (aquí)
- Y la otra con una página interactiva con datos por región (ver aquí)
1.2 Los ingresos
Recordemos los cuatro datos cuantitativos fundamentales de la generación de los ingresos:
| Tipo | Ingreso total | Ingreso autónomo | Ingreso del trabajo | Ingreso de la ocupación principal |
| año | ||||
| 2020 | ytotcor | yautcor | ytrabajocor | yoprcor |
| 2017 | ytotcor | yautcor | ytrabajocor | yoprcor |
| 2015 | ytotcor | yautcor | ytrabajocor | yoprcor |
| 2013 | ytotcor | yautcor | ytrabajocor | yoprcor |
| 2011 | ytrabaj | yautaj | ytrabaj | yopraj |
| 2009 | ytrabaj | yautaj | ytrabaj | yopraj |
| 2006 | ytrabaj | yautaj | ytrabaj | yopraj |
1.3 Verificación de nuestros cálculos con datos oficiales del 2020
Nuestra primera preocupación fue corroborar si los ddatos que obteniamos de ingresos del 2020 fuesen los correctos. PAra ello realizamos nuestros propios cálculos y comparamos con: (aquí)
Comparamos con ytrabajocorh yautcorh ysubh ymonecorh a nivel regional y los resultados son prácticamente los mismos.
# casen2020 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
# casen2020 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2020.rds")
# casen2020 <- mutate_if(casen2020, is.factor, as.character)
# casen2017 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2017_c.rds")
# casen2017 <- mutate_if(casen2017, is.factor, as.character)
# casen2015 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2015_c.rds")
# casen2015 <- mutate_if(casen2015, is.factor, as.character)
# casen2013 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2013_c.rds")
# casen2013 <- mutate_if(casen2013, is.factor, as.character)
# casen2011 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2011_c.rds")
# casen2011 <- mutate_if(casen2011, is.factor, as.character)
# casen2009 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2009_c.rds")
# casen2009 <- mutate_if(casen2009, is.factor, as.character)
# casen2006 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2006_c.rds")
# casen2006 <- mutate_if(casen2006, is.factor, as.character)
casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)
casen2009 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2009_c.rds")
casen2009 <- mutate_if(casen2009, is.factor, as.character)
casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
casen2011 <- mutate_if(casen2011, is.factor, as.character)
casen2013 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2013_c.rds")
casen2013 <- mutate_if(casen2013, is.factor, as.character)
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
casen2015 <- mutate_if(casen2015, is.factor, as.character)
casen2017 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
casen2017 <- mutate_if(casen2017, is.factor, as.character)
# casen2020 <- read.spss(file="C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2020.sav", to.data.frame=TRUE)
# saveRDS(casen2020,"casen2020.rds")
casen2020 <- readRDS("casen2020.rds")
casen2020 <- mutate_if(casen2020, is.factor, as.character)
reg_20 <- unique(casen2020$region)
# length(reg_20)
reg_17 <- unique(casen2017$region)
# length(reg_17)
reg_15 <- unique(casen2015$region)
# length(reg_15)
reg_13 <- unique(casen2013$region)
# length(reg_13)
reg_11 <- unique(casen2011$region)
# length(reg_11)
reg_09 <- unique(casen2009$REGION)
# length(reg_09)
reg_06 <- unique(casen2006$R)
# length(reg_06)1.3.1 Ingreso del trabajo hogar: ytrabajocorh
tabla_prom_reg <- data.frame()
for (i in reg_20) {
casen_fh <- filter(casen2020, casen2020$region == i)
casen_fh <- casen_fh[,c("region","folio","ytrabajocorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio = mean(rr$ytrabajocorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2020.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_unida = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_unida <- tabla_unida[,-c(3)]
kbl(tabla_unida) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | promedio | Ingreso del trabajo |
|---|---|---|
| Región de Antofagasta | 857293.2 | 888965.5 |
| Región de Arica y Parinacota | 582146.6 | 579584.7 |
| Región de Atacama | 677066.5 | 683321.3 |
| Región de Aysén del Gral. Carlos Ibáñez del Campo | 827858.4 | 813325.8 |
| Región de Coquimbo | 509835.9 | 545769.9 |
| Región de La Araucanía | 439756.2 | 477410.0 |
| Región de Los Lagos | 547181.9 | 610255.4 |
| Región de Los Ríos | 519901.5 | 541096.9 |
| Región de Magallanes y de la Antártica Chilena | 840063.2 | 855719.4 |
| Región de Ñuble | 414551.7 | 434823.4 |
| Región de Tarapacá | 759609.7 | 790225.5 |
| Región de Valparaíso | 585482.5 | 601530.0 |
| Región del Biobío | 541985.5 | 574339.2 |
| Región del Libertador Gral. Bernardo O’Higgins | 560888.8 | 581402.5 |
| Región del Maule | 536650.2 | 555357.6 |
| Región Metropolitana de Santiago | 1002331.7 | 960528.0 |
p <- plot_ly(tabla_unida, width = 1200, x = ~
region, y = ~promedio) %>%
add_lines()
p <- p %>% add_trace(y = ~`Ingreso del trabajo`, name = 'ingreso del trabajo oficial', mode = 'markers')
p 1.3.2 Ingreso autonomo del hogar: yautcorh
tabla_prom_reg <- data.frame()
for (i in reg_20) {
casen_fh <- filter(casen2020, casen2020$region == i)
casen_fh <- casen_fh[,c("region","folio","yautcorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio = mean(rr$yautcorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("ingreso_autonomo_2020_3.xlsx")## New names:
## * `` -> ...3
names(tabla_ing_aut)[3] <- "region"
tabla_unida = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_unida <- tabla_unida[,-c(3)]
kbl(tabla_unida) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | promedio | ingreso_autonomo |
|---|---|---|
| Región de Antofagasta | 1033562.4 | 1070106 |
| Región de Arica y Parinacota | 729823.9 | 722752 |
| Región de Atacama | 835951.1 | 837976 |
| Región de Aysén del Gral. Carlos Ibáñez del Campo | 967604.2 | 948155 |
| Región de Coquimbo | 652691.3 | 693211 |
| Región de La Araucanía | 563733.0 | 609484 |
| Región de Los Lagos | 675912.4 | 735200 |
| Región de Los Ríos | 657513.9 | 679825 |
| Región de Magallanes y de la Antártica Chilena | 1067639.9 | 1082958 |
| Región de Ñuble | 536982.2 | 559368 |
| Región de Tarapacá | 905914.3 | 925396 |
| Región de Valparaíso | 771366.7 | 775964 |
| Región del Biobío | 691263.4 | 722494 |
| Región del Libertador Gral. Bernardo O’Higgins | 707819.6 | 723921 |
| Región del Maule | 656891.5 | 676096 |
| Región Metropolitana de Santiago | 1222056.5 | 1161517 |
p <- plot_ly(tabla_unida, width = 1200, x = ~
region, y = ~promedio) %>%
add_lines()
p <- p %>% add_trace(y = ~ingreso_autonomo, name = 'ingreso autonomo oficial', mode = 'markers')
p 1.3.3 Ingreso del subsidio monetario: ysubh
tabla_prom_reg <- data.frame()
for (i in reg_20) {
casen_fh <- filter(casen2020, casen2020$region == i)
casen_fh <- casen_fh[,c("region","folio","ysubh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio = mean(rr$ysubh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("subsidios_monetarios_oficial_2020.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_unida = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_unida <- tabla_unida[,-c(3)]
kbl(tabla_unida) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | promedio | Subsidios monetarios |
|---|---|---|
| Región de Antofagasta | 41288.96 | 40778.06 |
| Región de Arica y Parinacota | 58303.43 | 57346.83 |
| Región de Atacama | 53926.23 | 53825.15 |
| Región de Aysén del Gral. Carlos Ibáñez del Campo | 50612.77 | 50549.10 |
| Región de Coquimbo | 62351.79 | 58729.66 |
| Región de La Araucanía | 80434.04 | 77115.20 |
| Región de Los Lagos | 70241.05 | 64956.55 |
| Región de Los Ríos | 71363.66 | 71456.45 |
| Región de Magallanes y de la Antártica Chilena | 43825.70 | 43936.34 |
| Región de Ñuble | 74955.39 | 75234.80 |
| Región de Tarapacá | 46597.95 | 44113.69 |
| Región de Valparaíso | 56153.71 | 54399.97 |
| Región del Biobío | 63475.73 | 61586.01 |
| Región del Libertador Gral. Bernardo O’Higgins | 60012.31 | 59173.73 |
| Región del Maule | 69962.72 | 67472.14 |
| Región Metropolitana de Santiago | 42914.86 | 43006.41 |
p <- plot_ly(tabla_unida, width = 1200, x = ~
region, y = ~promedio) %>%
add_lines()
p <- p %>% add_trace(y = ~`Subsidios monetarios`, name = 'ingreso del subsidio monetarios oficial', mode = 'markers')
p 1.3.4 Ingreso monetario: ymonecorh
tabla_prom_reg <- data.frame()
for (i in reg_20) {
casen_fh <- filter(casen2020, casen2020$region == i)
casen_fh <- casen_fh[,c("region","folio","ymonecorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio = mean(rr$ymonecorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("ingreso_monetario_oficial_2020.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_unida = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_unida <- tabla_unida[,-c(3)]
kbl(tabla_unida) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | promedio | Ingreso monetario |
|---|---|---|
| Región de Antofagasta | 1074851.4 | 1110884.1 |
| Región de Arica y Parinacota | 788127.3 | 780099.2 |
| Región de Atacama | 889877.3 | 891801.2 |
| Región de Aysén del Gral. Carlos Ibáñez del Campo | 1018217.0 | 998704.5 |
| Región de Coquimbo | 715043.1 | 751940.8 |
| Región de La Araucanía | 644167.1 | 686598.9 |
| Región de Los Lagos | 746153.4 | 800156.2 |
| Región de Los Ríos | 728877.5 | 751281.1 |
| Región de Magallanes y de la Antártica Chilena | 1111465.6 | 1126894.2 |
| Región de Ñuble | 611937.6 | 634603.0 |
| Región de Tarapacá | 952512.3 | 969509.3 |
| Región de Valparaíso | 827520.4 | 830363.7 |
| Región del Biobío | 754739.2 | 784080.2 |
| Región del Libertador Gral. Bernardo O’Higgins | 767831.9 | 783094.9 |
| Región del Maule | 726854.2 | 743567.7 |
| Región Metropolitana de Santiago | 1264971.3 | 1204523.7 |
p <- plot_ly(tabla_unida, width = 1200, x = ~
region, y = ~promedio) %>%
add_lines()
p <- p %>% add_trace(y = ~`Ingreso monetario`, name = 'ingreso monetario oficial', mode = 'markers')
p 1.3.5 compararemos nuestros cálculos para otro año con los datos oficiales la variable: ytrabajocorh 2017
tabla_prom_reg <- data.frame()
for (i in reg_17) {
casen_fh <- filter(casen2017, casen2017$region == i)
casen_fh <- casen_fh[,c("region","folio","ytrabajocorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio_2017 = mean(rr$ytrabajocorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
kbl(tabla_2017) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | promedio_2017 | Ingreso del trabajo 2017 |
|---|---|---|
| Región de Antofagasta | 932541.0 | 974641.4 |
| Región de Arica y Parinacota | 600641.8 | 584868.1 |
| Región de Atacama | 685371.7 | 725666.9 |
| Región de Ayséndel Gral. Carlos Ibáñez del Campo | 896174.9 | NA |
| Región de Coquimbo | 496064.1 | 543329.2 |
| Región de La Araucanía | 494977.9 | 526971.2 |
| Región de Los Lagos | 603038.6 | 616955.3 |
| Región de Los Ríos | 558418.5 | 572722.4 |
| Región de Magallanes y de la Antártica Chilena | 991709.9 | 951359.1 |
| Región de Ñuble | 436229.9 | 450966.8 |
| Región de Tarapacá | 798910.2 | 773927.6 |
| Región de Valparaíso | 638730.9 | 650047.1 |
| Región del Biobío | 526766.1 | 567735.6 |
| Región del Libertador Gral. Bernardo O’Higgins | 525606.8 | NA |
| Región del Maule | 509444.0 | 531345.3 |
| Región Metropolitana de Santiago | 1110214.6 | 1029813.4 |
p <- plot_ly(tabla_2017, width = 1200, x = ~
region, y = ~promedio_2017) %>%
add_lines()
p <- p %>% add_trace(y = ~`Ingreso del trabajo 2017`, name = 'ingreso del trabajo 2017 oficial', mode = 'markers')
p 1.4 Análisis de ingreso del trabajo 2009 - 2020
1.4.1 Ingreso del trabajo hogar: ytrabajocorh 2009-2020
Datos oficiales
# tabla_ing_aut1 <- read_xlsx("ingreso_del_trabajo_oficial_2020.xlsx")
# names(tabla_ing_aut1)[3] <- "region"
# names(tabla_ing_aut1)[1] <- "region_c"
#
# tabla_ing_aut2 <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut2)[3] <- "region"
# names(tabla_ing_aut2)[1] <- "region_c"
#
#
# tabla_2 = merge(x = tabla_ing_aut2, y = tabla_ing_aut1, by = "region_c", all.x = T)
# tabla_2 <- tabla_2[,-c(3)]
#
# tabla_ing_aut3 <- read_xlsx("ingresos_del_trabajo_global.xlsx")
# tabla_ing_aut3 <- tabla_ing_aut3[,-c(2)]
# names(tabla_ing_aut3)[7] <- "region"
# names(tabla_ing_aut3)[1] <- "region_c"
#
# tabla_3 = merge(x = tabla_ing_aut3, y = tabla_2, by = "region_c", all.x = T)
# tabla_3 <- tabla_3[,-c(7)]
# names(tabla_3)[7] <- "2017"
# names(tabla_3)[8] <- "2020"
# names(tabla_3)[9] <- "region"
#
# kbl(tabla_3) %>%
# kable_styling(bootstrap_options = c("striped", "hover")) %>%
# kable_paper() %>%
# scroll_box(width = "100%", height = "300px")
datos_oficiales <- read_xlsx("ingresos_oficiales_2006-2020.xlsx")
datos_oficiales <- cbind(datos_oficiales[,c(1,9,10)],mutate_if(datos_oficiales[,2:8], is.character, as.numeric))
datos_oficiales <- filter(datos_oficiales, grepl("trabajo", ingreso) )
kbl(datos_oficiales) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region2 | region | ingreso | publicado_2006 | publicado_2009 | publicado_2011 | publicado_2013 | publicado_2015 | publicado_2017 | publicado_2020 |
|---|---|---|---|---|---|---|---|---|---|
| Arica y Parinacota | Región de Arica y Parinacota | trabajo | 273937.0 | 464614.3 | 445949.4 | 498799.3 | 601417.5 | 584868.1 | 579584.7 |
| Tarapacá | Región de Tarapacá | trabajo | 356800.1 | 419526.5 | 551249.9 | 761909.7 | 889361.3 | 773927.6 | 790225.5 |
| Antofagasta | Región de Antofagasta | trabajo | 538839.2 | 619294.1 | 781222.8 | 925370.3 | 890679.3 | 974641.4 | 888965.5 |
| Atacama | Región de Atacama | trabajo | 483336.2 | 479754.7 | 536536.5 | 680522.2 | 727487.4 | 725666.9 | 683321.3 |
| Coquimbo | Región de Coquimbo | trabajo | 317302.0 | 344288.7 | 398282.8 | 551228.4 | 563729.9 | 543329.2 | 545769.9 |
| Valparaíso | Región de Valparaíso | trabajo | 336348.8 | 398724.9 | 407404.0 | 529517.7 | 579701.3 | 650047.1 | 601530.0 |
| Metropolitana | Región Metropolitana de Santiago | trabajo | 561566.9 | 638431.3 | 664719.4 | 802969.4 | 913907.1 | 1029813.4 | 960528.0 |
| O’Higgins | Región del Libertador Gral. Bernardo O’Higgins | trabajo | 336467.3 | 388326.6 | 422118.6 | 490339.5 | 562065.3 | 547193.5 | 581402.5 |
| Maule | Región del Maule | trabajo | 291301.4 | 334825.8 | 349494.8 | 420441.8 | 484619.3 | 531345.3 | 555357.6 |
| Ñuble | Región de Ñuble | trabajo | NA | NA | NA | NA | NA | 450966.8 | 434823.4 |
| Biobío | Región del Biobío | trabajo | 302906.9 | 341621.2 | 392531.3 | 427784.3 | 491868.1 | 567735.6 | 574339.2 |
| La Araucanía | Región de La Araucanía | trabajo | 278035.9 | 287299.3 | 347746.9 | 420189.4 | 460048.5 | 526971.2 | 477410.0 |
| Los Ríos | Región de Los Ríos | trabajo | 290154.3 | 280783.0 | 381946.1 | 410961.0 | 555862.9 | 572722.4 | 541096.9 |
| Los Lagos | Región de Los Lagos | trabajo | 365727.0 | 349611.2 | 386519.0 | 477580.5 | 514329.1 | 616955.3 | 610255.4 |
| Aysén | Región de Aysén del Gral. Carlos Ibáñez del Campo | trabajo | 373691.7 | 508744.3 | 584967.7 | 644193.8 | 744554.2 | 921386.4 | 813325.8 |
| Magallanes | Región de Magallanes y de la Antártica Chilena | trabajo | 470099.6 | 491311.8 | 597909.3 | 695091.8 | 795825.1 | 951359.1 | 855719.4 |
tabla_3 <- datos_oficiales#### 2020
tabla_prom_reg <- data.frame()
for (i in reg_20) {
casen_fh <- filter(casen2020, casen2020$region == i)
casen_fh <- casen_fh[,c("region","folio","ytrabajocorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
calculado_2020 = mean(rr$ytrabajocorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2020.xlsx")
# names(tabla_ing_aut)[3] <- "region"
# names(tabla_ing_aut)[1] <- "region_c"
tabla_ing_aut <- tabla_3[,c("region","publicado_2020")]
tabla_2020 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2020 <- tabla_2020[,-c(3)]
tabla_prom_reg <- data.frame()
for (i in reg_17) {
casen_fh <- filter(casen2017, casen2017$region == i)
casen_fh <- casen_fh[,c("region","folio","ytrabajocorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
calculado_2017 = mean(rr$ytrabajocorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region"
# names(tabla_ing_aut)[1] <- "region_c"
tabla_ing_aut <- tabla_3[,c("region","publicado_2017")]
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
#### 2015
tabla_prom_reg <- data.frame()
for (i in reg_15) {
casen_fh <- filter(casen2015, casen2015$region == i)
casen_fh <- casen_fh[,c("region","folio.x","ytrabajoCorh")]
casen_fh$folio.x <- as.character(casen_fh$folio.x)
tabla <- table(casen_fh$folio.x)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio.x","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio.x", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio.x ), ]
tabla_reg <- data.frame(
region = i,
promedio_2015 = mean(rr$ytrabajoCorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_prom_reg <- rbind(tabla_prom_reg,c("Región de Ñuble",NA))
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region"
# names(tabla_ing_aut)[1] <- "region_c"
tabla_ing_aut <- tabla_3[,c("region","publicado_2015")]
tabla_2015 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2015 <- tabla_2015[,-c(3)]
tabla_2015$promedio_2015 <- as.numeric(tabla_2015$promedio_2015)
tabla_2015$region[tabla_2015$region == "Región del Libertador Gral. Bernardo O Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
#### 2013
tabla_prom_reg <- data.frame()
for (i in reg_13) {
casen_fh <- filter(casen2013, casen2013$region == i)
casen_fh <- casen_fh[,c("region","folio","ytrabajoCorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
calculado_2013 = mean(rr$ytrabajoCorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_prom_reg <- rbind(tabla_prom_reg,c("Región de Ñuble",NA))
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region"
# names(tabla_ing_aut)[1] <- "region_c"
tabla_ing_aut <- tabla_3[,c("region","publicado_2013")]
tabla_2013 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2013 <- tabla_2013[,-c(3)]
tabla_2013$region[tabla_2013$region == "I. Tarapaca"] <- "Región de Tarapacá"
tabla_2013$region[tabla_2013$region == "II. Antofagasta"] <- "Región de Antofagasta"
tabla_2013$region[tabla_2013$region == "III. Atacama"] <- "Región de Atacama"
tabla_2013$region[tabla_2013$region == "IV. Coquimbo"] <- "Región de Coquimbo"
tabla_2013$region[tabla_2013$region == "IX. La Araucanía"] <- "Región de La Araucanía"
tabla_2013$region[tabla_2013$region == "Metropolitana"] <- "Región Metropolitana de Santiago"
tabla_2013$region[tabla_2013$region == "V. Valparaíso"] <- "Región de Valparaíso"
tabla_2013$region[tabla_2013$region == "VI. O Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2013$region[tabla_2013$region == "VII. Maule"] <- "Región del Maule"
tabla_2013$region[tabla_2013$region == "VIII. Biobío"] <- "Región del Biobío"
tabla_2013$region[tabla_2013$region == "X. Los Lagos"] <- "Región de Los Lagos"
tabla_2013$region[tabla_2013$region == "XI. Aysén"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2013$region[tabla_2013$region == "XII. Magallanes"] <- "Región de Magallanes y de la Antártica Chilena"
tabla_2013$region[tabla_2013$region == "XIV. Los Ríos"] <- "Región de Los Ríos"
tabla_2013$region[tabla_2013$region == "XV. Arica y Parinacota"] <- "Región de Arica y Parinacota"
tabla_2013$calculado_2013 <- as.numeric(tabla_2013$calculado_2013)
#### 2011
tabla_prom_reg <- data.frame()
for (i in reg_11) {
casen_fh <- filter(casen2011, casen2011$region == i)
casen_fh <- casen_fh[,c("region","folio","ytrabhaj")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
calculado_2011 = mean(rr$ytrabhaj)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_prom_reg <- rbind(tabla_prom_reg,c("Región de Ñuble",NA))
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region"
# names(tabla_ing_aut)[1] <- "region_c"
tabla_ing_aut <- tabla_3[,c("region","publicado_2011")]
tabla_2011 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2011 <- tabla_2011[,-c(3)]
tabla_2011$region[tabla_2011$region == "Antofagasta"] <- "Región de Antofagasta"
tabla_2011$region[tabla_2011$region == "Araucanía"] <- "Región de La Araucanía"
tabla_2011$region[tabla_2011$region == "Arica y Parinacota"] <- "Región de Arica y Parinacota"
tabla_2011$region[tabla_2011$region == "Aysén"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2011$region[tabla_2011$region == "Bio Bio"] <- "Región del Biobío"
tabla_2011$region[tabla_2011$region == "Copiapó"] <- "Región de Atacama"
tabla_2011$region[tabla_2011$region == "Coquimbo"] <- "Región de Coquimbo"
tabla_2011$region[tabla_2011$region == "Los Lagos"] <- "Región de Los Lagos"
tabla_2011$region[tabla_2011$region == "Los Ríos"] <- "Región de Los Ríos"
tabla_2011$region[tabla_2011$region == "Magallanes"] <- "Región de Magallanes y de la Antártica Chilena"
tabla_2011$region[tabla_2011$region == "Maule"] <- "Región del Maule"
tabla_2011$region[tabla_2011$region == "Metropolitana"] <- "Región Metropolitana de Santiago"
tabla_2011$region[tabla_2011$region == "O Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2011$region[tabla_2011$region == "Tarapacá"] <- "Región de Tarapacá"
tabla_2011$region[tabla_2011$region == "Valparaíso"] <- "Región de Valparaíso"
tabla_2011$calculado_2011 <- as.numeric(tabla_2011$calculado_2011)
#### 2009
tabla_prom_reg <- data.frame()
for (i in reg_09) {
casen_fh <- filter(casen2009, casen2009$REGION == i)
casen_fh <- casen_fh[,c("REGION","FOLIO","YTRABHAJ")]
casen_fh$FOLIO <- as.character(casen_fh$FOLIO)
tabla <- table(casen_fh$FOLIO)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("FOLIO","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "FOLIO", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$FOLIO ), ]
tabla_reg <- data.frame(
region = i,
calculado_2009 = mean(rr$YTRABHAJ)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_prom_reg <- rbind(tabla_prom_reg,c("Región de Ñuble",NA))
# tabla_ing_aut <- read_xlsx("ingreso_del_trabajo_oficial_2017.xlsx")
# names(tabla_ing_aut)[3] <- "region"
# names(tabla_ing_aut)[1] <- "region_c"
tabla_ing_aut <- tabla_3[,c("region","publicado_2009")]
tabla_2009 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2009 <- tabla_2009[,-c(3)]
tabla_2009$region[tabla_2009$region == "Antofagasta"] <- "Región de Antofagasta"
tabla_2009$region[tabla_2009$region == "Arica y Parinacota"] <- "Región de Arica y Parinacota"
tabla_2009$region[tabla_2009$region == "Atacama"] <- "Región de Atacama"
tabla_2009$region[tabla_2009$region == "Aysén"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2009$region[tabla_2009$region == "Bío Bío"] <- "Región del Biobío"
tabla_2009$region[tabla_2009$region == "Coquimbo"] <- "Región de Coquimbo"
tabla_2009$region[tabla_2009$region == "La Araucanía"] <- "Región de La Araucanía"
tabla_2009$region[tabla_2009$region == "Libertador Bernardo O´Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2009$region[tabla_2009$region == "Los Lagos"] <- "Región de Los Lagos"
tabla_2009$region[tabla_2009$region == "Los Rios"] <- "Región de Los Ríos"
tabla_2009$region[tabla_2009$region == "Magallanes Y La Antártica Chilena"] <- "Región de Magallanes y de la Antártica Chilena"
tabla_2009$region[tabla_2009$region == "Maule"] <- "Región del Maule"
tabla_2009$region[tabla_2009$region == "Región Metropolitana"] <- "Región Metropolitana de Santiago"
tabla_2009$region[tabla_2009$region == "Tarapacá"] <- "Región de Tarapacá"
tabla_2009$region[tabla_2009$region == "Valparaíso"] <- "Región de Valparaíso"
tabla_2009$calculado_2009 <- as.numeric(tabla_2009$calculado_2009)
tabla_2017$region[tabla_2017$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2017$region[tabla_2017$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2020$region[tabla_2020$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2020$region[tabla_2020$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"Datos calculados
ingresos = merge(x = tabla_2017, y = tabla_2020, by = "region", all.x = T)
ingresos = merge(x = tabla_2015, y = ingresos, by = "region", all.x = T)
ingresos = merge(x = tabla_2013, y = ingresos, by = "region", all.x = T)
ingresos = merge(x = tabla_2011, y = ingresos, by = "region", all.x = T)
ingresos = merge(x = tabla_2009, y = ingresos, by = "region", all.x = T)
kbl(ingresos) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | calculado_2009 | calculado_2011 | calculado_2013 | promedio_2015 | calculado_2017 | calculado_2020 |
|---|---|---|---|---|---|---|
| Región de Antofagasta | 690564.4 | 903493.6 | 887091.8 | 806480.1 | 932541.0 | 857293.2 |
| Región de Arica y Parinacota | 480529.8 | 585745.0 | 492079.3 | 549056.3 | 600641.8 | 582146.6 |
| Región de Atacama | 507618.2 | 684309.8 | 699911.3 | 761372.6 | 685371.7 | 677066.5 |
| Región de Aysén del Gral. Carlos Ibáñez del Campo | 593482.4 | 727620.4 | 627410.0 | 702402.8 | 896174.9 | 827858.4 |
| Región de Coquimbo | 390717.9 | 497581.8 | 516169.4 | 560045.1 | 496064.1 | 509835.9 |
| Región de La Araucanía | 291942.6 | 398675.0 | 401305.0 | 416468.3 | 494977.9 | 439756.2 |
| Región de Los Lagos | 463565.2 | 512732.3 | 450558.3 | 502647.6 | 603038.6 | 547181.9 |
| Región de Los Ríos | 334903.8 | 489486.2 | 399454.9 | 442174.5 | 558418.5 | 519901.5 |
| Región de Magallanes y de la Antártica Chilena | 746667.1 | 747457.2 | 671043.4 | 760002.5 | 991709.9 | 840063.2 |
| Región de Ñuble | NA | NA | NA | NA | 436229.9 | 414551.7 |
| Región de Tarapacá | 458431.5 | 699243.6 | 692375.7 | 678785.7 | 798910.2 | 759609.7 |
| Región de Valparaíso | 467675.4 | 529679.6 | 507894.0 | 558955.4 | 638730.9 | 585482.5 |
| Región del Biobío | 333805.6 | 438976.7 | 396793.8 | 452885.9 | 526766.1 | 541985.5 |
| Región del Libertador Gral. Bernardo O’Higgins | 377682.8 | 486705.3 | 453831.6 | 554773.5 | 525606.8 | 560888.8 |
| Región del Maule | 344021.5 | 445315.9 | 413859.3 | 456964.7 | 509444.0 | 536650.2 |
| Región Metropolitana de Santiago | 621508.1 | 865170.7 | 764176.6 | 977917.8 | 1110214.6 | 1002331.7 |
tabla_3$region[tabla_3$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_3$region[tabla_3$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_f = merge( x = ingresos, y = tabla_3, by = "region" , all.x = T)
tabla_f%>% datatable(extensions = 'Buttons',class = 'cell-border stripe',
options = list(
dom = 'Blfrtip',
buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
pageLength = 5,
autoWidth = TRUE,
scrollX = TRUE,
lengthMenu = list(c(10,25,50,-1),c(10,25,50,"All"))
)) tabla_f## region calculado_2009
## 1 Región de Antofagasta 690564.4
## 2 Región de Arica y Parinacota 480529.8
## 3 Región de Atacama 507618.2
## 4 Región de Aysén del Gral. Carlos Ibáñez del Campo 593482.4
## 5 Región de Coquimbo 390717.9
## 6 Región de La Araucanía 291942.6
## 7 Región de Los Lagos 463565.2
## 8 Región de Los Ríos 334903.8
## 9 Región de Magallanes y de la Antártica Chilena 746667.1
## 10 Región de Ñuble NA
## 11 Región de Tarapacá 458431.5
## 12 Región de Valparaíso 467675.4
## 13 Región del Biobío 333805.6
## 14 Región del Libertador Gral. Bernardo O'Higgins 377682.8
## 15 Región del Maule 344021.5
## 16 Región Metropolitana de Santiago 621508.1
## calculado_2011 calculado_2013 promedio_2015 calculado_2017 calculado_2020
## 1 903493.6 887091.8 806480.1 932541.0 857293.2
## 2 585745.0 492079.3 549056.3 600641.8 582146.6
## 3 684309.8 699911.3 761372.6 685371.7 677066.5
## 4 727620.4 627410.0 702402.8 896174.9 827858.4
## 5 497581.8 516169.4 560045.1 496064.1 509835.9
## 6 398675.0 401305.0 416468.3 494977.9 439756.2
## 7 512732.3 450558.3 502647.6 603038.6 547181.9
## 8 489486.2 399454.9 442174.5 558418.5 519901.5
## 9 747457.2 671043.4 760002.5 991709.9 840063.2
## 10 NA NA NA 436229.9 414551.7
## 11 699243.6 692375.7 678785.7 798910.2 759609.7
## 12 529679.6 507894.0 558955.4 638730.9 585482.5
## 13 438976.7 396793.8 452885.9 526766.1 541985.5
## 14 486705.3 453831.6 554773.5 525606.8 560888.8
## 15 445315.9 413859.3 456964.7 509444.0 536650.2
## 16 865170.7 764176.6 977917.8 1110214.6 1002331.7
## region2 ingreso publicado_2006 publicado_2009 publicado_2011
## 1 Antofagasta trabajo 538839.2 619294.1 781222.8
## 2 Arica y Parinacota trabajo 273937.0 464614.3 445949.4
## 3 Atacama trabajo 483336.2 479754.7 536536.5
## 4 Aysén trabajo 373691.7 508744.3 584967.7
## 5 Coquimbo trabajo 317302.0 344288.7 398282.8
## 6 La Araucanía trabajo 278035.9 287299.3 347746.9
## 7 Los Lagos trabajo 365727.0 349611.2 386519.0
## 8 Los Ríos trabajo 290154.3 280783.0 381946.1
## 9 Magallanes trabajo 470099.6 491311.8 597909.3
## 10 Ñuble trabajo NA NA NA
## 11 Tarapacá trabajo 356800.1 419526.5 551249.9
## 12 Valparaíso trabajo 336348.8 398724.9 407404.0
## 13 Biobío trabajo 302906.9 341621.2 392531.3
## 14 O'Higgins trabajo 336467.3 388326.6 422118.6
## 15 Maule trabajo 291301.4 334825.8 349494.8
## 16 Metropolitana trabajo 561566.9 638431.3 664719.4
## publicado_2013 publicado_2015 publicado_2017 publicado_2020
## 1 925370.3 890679.3 974641.4 888965.5
## 2 498799.3 601417.5 584868.1 579584.7
## 3 680522.2 727487.4 725666.9 683321.3
## 4 644193.8 744554.2 921386.4 813325.8
## 5 551228.4 563729.9 543329.2 545769.9
## 6 420189.4 460048.5 526971.2 477410.0
## 7 477580.5 514329.1 616955.3 610255.4
## 8 410961.0 555862.9 572722.4 541096.9
## 9 695091.8 795825.1 951359.1 855719.4
## 10 NA NA 450966.8 434823.4
## 11 761909.7 889361.3 773927.6 790225.5
## 12 529517.7 579701.3 650047.1 601530.0
## 13 427784.3 491868.1 567735.6 574339.2
## 14 490339.5 562065.3 547193.5 581402.5
## 15 420441.8 484619.3 531345.3 555357.6
## 16 802969.4 913907.1 1029813.4 960528.0
tabla_f$por_01 <- 100*tabla_f$calculado_2009/tabla_f$calculado_2011
names (tabla_f)[5] = "calculado_2015"
tabla_f## region calculado_2009
## 1 Región de Antofagasta 690564.4
## 2 Región de Arica y Parinacota 480529.8
## 3 Región de Atacama 507618.2
## 4 Región de Aysén del Gral. Carlos Ibáñez del Campo 593482.4
## 5 Región de Coquimbo 390717.9
## 6 Región de La Araucanía 291942.6
## 7 Región de Los Lagos 463565.2
## 8 Región de Los Ríos 334903.8
## 9 Región de Magallanes y de la Antártica Chilena 746667.1
## 10 Región de Ñuble NA
## 11 Región de Tarapacá 458431.5
## 12 Región de Valparaíso 467675.4
## 13 Región del Biobío 333805.6
## 14 Región del Libertador Gral. Bernardo O'Higgins 377682.8
## 15 Región del Maule 344021.5
## 16 Región Metropolitana de Santiago 621508.1
## calculado_2011 calculado_2013 calculado_2015 calculado_2017 calculado_2020
## 1 903493.6 887091.8 806480.1 932541.0 857293.2
## 2 585745.0 492079.3 549056.3 600641.8 582146.6
## 3 684309.8 699911.3 761372.6 685371.7 677066.5
## 4 727620.4 627410.0 702402.8 896174.9 827858.4
## 5 497581.8 516169.4 560045.1 496064.1 509835.9
## 6 398675.0 401305.0 416468.3 494977.9 439756.2
## 7 512732.3 450558.3 502647.6 603038.6 547181.9
## 8 489486.2 399454.9 442174.5 558418.5 519901.5
## 9 747457.2 671043.4 760002.5 991709.9 840063.2
## 10 NA NA NA 436229.9 414551.7
## 11 699243.6 692375.7 678785.7 798910.2 759609.7
## 12 529679.6 507894.0 558955.4 638730.9 585482.5
## 13 438976.7 396793.8 452885.9 526766.1 541985.5
## 14 486705.3 453831.6 554773.5 525606.8 560888.8
## 15 445315.9 413859.3 456964.7 509444.0 536650.2
## 16 865170.7 764176.6 977917.8 1110214.6 1002331.7
## region2 ingreso publicado_2006 publicado_2009 publicado_2011
## 1 Antofagasta trabajo 538839.2 619294.1 781222.8
## 2 Arica y Parinacota trabajo 273937.0 464614.3 445949.4
## 3 Atacama trabajo 483336.2 479754.7 536536.5
## 4 Aysén trabajo 373691.7 508744.3 584967.7
## 5 Coquimbo trabajo 317302.0 344288.7 398282.8
## 6 La Araucanía trabajo 278035.9 287299.3 347746.9
## 7 Los Lagos trabajo 365727.0 349611.2 386519.0
## 8 Los Ríos trabajo 290154.3 280783.0 381946.1
## 9 Magallanes trabajo 470099.6 491311.8 597909.3
## 10 Ñuble trabajo NA NA NA
## 11 Tarapacá trabajo 356800.1 419526.5 551249.9
## 12 Valparaíso trabajo 336348.8 398724.9 407404.0
## 13 Biobío trabajo 302906.9 341621.2 392531.3
## 14 O'Higgins trabajo 336467.3 388326.6 422118.6
## 15 Maule trabajo 291301.4 334825.8 349494.8
## 16 Metropolitana trabajo 561566.9 638431.3 664719.4
## publicado_2013 publicado_2015 publicado_2017 publicado_2020 por_01
## 1 925370.3 890679.3 974641.4 888965.5 76.43268
## 2 498799.3 601417.5 584868.1 579584.7 82.03738
## 3 680522.2 727487.4 725666.9 683321.3 74.17959
## 4 644193.8 744554.2 921386.4 813325.8 81.56483
## 5 551228.4 563729.9 543329.2 545769.9 78.52335
## 6 420189.4 460048.5 526971.2 477410.0 73.22821
## 7 477580.5 514329.1 616955.3 610255.4 90.41076
## 8 410961.0 555862.9 572722.4 541096.9 68.41946
## 9 695091.8 795825.1 951359.1 855719.4 99.89429
## 10 NA NA 450966.8 434823.4 NA
## 11 761909.7 889361.3 773927.6 790225.5 65.56105
## 12 529517.7 579701.3 650047.1 601530.0 88.29401
## 13 427784.3 491868.1 567735.6 574339.2 76.04176
## 14 490339.5 562065.3 547193.5 581402.5 77.59990
## 15 420441.8 484619.3 531345.3 555357.6 77.25335
## 16 802969.4 913907.1 1029813.4 960528.0 71.83647
2 Comparación de los ingresos por tipo y región entre los años 2017-2020
p <- plot_ly(tabla_f, width = 1200, x = ~region, y = ~calculado_2009, name = 'calculado 2009', mode = 'markers') %>% add_lines()
p <- p %>% add_lines(y = ~calculado_2011, name = 'calculado 2011', mode = 'markers')
p <- p %>% add_lines(y = ~calculado_2013, name = 'calculado 2013', mode = 'markers')
p <- p %>% add_lines(y = ~calculado_2015, name = 'calculado 2015', mode = 'markers')
p <- p %>% add_lines(y = ~calculado_2017, name = 'calculado 2017', mode = 'markers')
p <- p %>% add_lines(y = ~calculado_2020, name = 'calculado 2020', mode = 'markers')
p <- p %>% add_trace(y = ~`publicado_2009`, name = 'Oficial 2009', mode = 'markers')
p <- p %>% add_trace(y = ~`publicado_2011`, name = 'Oficial 2011', mode = 'markers')
p <- p %>% add_trace(y = ~`publicado_2013`, name = 'Oficial 2013', mode = 'markers')
p <- p %>% add_trace(y = ~`publicado_2015`, name = 'Oficial 2015', mode = 'markers')
p <- p %>% add_trace(y = ~`publicado_2017`, name = 'Oficial 2017', mode = 'markers')
p <- p %>% add_trace(y = ~`publicado_2020`, name = 'Oficial 2020', mode = 'markers')
p2.1 Tabla de variación porcentual
2.1.1 Ingreso del autonomo hogar: yautcorh 2020-2017
#### 2020
tabla_prom_reg <- data.frame()
for (i in reg_20) {
casen_fh <- filter(casen2020, casen2020$region == i)
casen_fh <- casen_fh[,c("region","folio","yautcorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio_2020 = mean(rr$yautcorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("ingreso_autonomo_2020_3.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_2020 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2020 <- tabla_2020[,-c(3)]
#### 2017
tabla_prom_reg <- data.frame()
for (i in reg_17) {
casen_fh <- filter(casen2017, casen2017$region == i)
casen_fh <- casen_fh[,c("region","folio","yautcorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio_2017 = mean(rr$yautcorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("ingreso_autonomo_oficial_2017.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
tabla_2017$region[tabla_2017$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2017$region[tabla_2017$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"Unión de la tabla de resultados
ingresos_2017_2020 <- cbind(tabla_2017,tabla_2020)
ingresos_2017_2020 <- ingresos_2017_2020[,-c(3,4,6)]
write_xlsx(ingresos_2017_2020,"ingresos_autonomo_hog_2017_2020.xlsx")
kbl(ingresos_2017_2020) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | promedio_2017 | promedio_2020 |
|---|---|---|
| Región de Antofagasta | 1061216.0 | 1033562.4 |
| Región de Arica y Parinacota | 715349.7 | 729823.9 |
| Región de Atacama | 796480.0 | 835951.1 |
| Región de Aysén del Gral. Carlos Ibáñez del Campo | 1006032.4 | 967604.2 |
| Región de Coquimbo | 591920.4 | 652691.3 |
| Región de La Araucanía | 578463.9 | 563733.0 |
| Región de Los Lagos | 688894.7 | 675912.4 |
| Región de Los Ríos | 665085.3 | 657513.9 |
| Región de Magallanes y de la Antártica Chilena | 1135339.9 | 1067639.9 |
| Región de Ñuble | 540576.9 | 536982.2 |
| Región de Tarapacá | 923363.0 | 905914.3 |
| Región de Valparaíso | 803874.1 | 771366.7 |
| Región del Biobío | 656046.7 | 691263.4 |
| Región del Libertador Gral. Bernardo O’Higgins | 639923.8 | 707819.6 |
| Región del Maule | 604758.5 | 656891.5 |
| Región Metropolitana de Santiago | 1318362.9 | 1222056.5 |
2.2 Comparación de los ingresos por tipo y región entre los años 2017-2020
p <- plot_ly(ingresos_2017_2020, width = 1200, x = ~region, y = ~promedio_2017, name = '2017', mode = 'markers') %>% add_lines()
p <- p %>% add_lines(y = ~promedio_2020, name = '2020', mode = 'markers')
p 2.3 Tabla de variación porcentual
2.3.1 Ingreso del subsidio monetario: ysubh 2020-2017
#### 2020
tabla_prom_reg <- data.frame()
for (i in reg_20) {
casen_fh <- filter(casen2020, casen2020$region == i)
casen_fh <- casen_fh[,c("region","folio","ysubh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio_2020 = mean(rr$ysubh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("subsidios_monetarios_oficial_2020.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_2020 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2020 <- tabla_2020[,-c(3)]
#### 2017
tabla_prom_reg <- data.frame()
for (i in reg_17) {
casen_fh <- filter(casen2017, casen2017$region == i)
casen_fh <- casen_fh[,c("region","folio","ysubh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio_2017 = mean(rr$ysubh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("subsidios_monetarios_oficial_2017.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
tabla_2017$region[tabla_2017$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2017$region[tabla_2017$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"Unión de la tabla de resultados
ingresos_2017_2020 <- cbind(tabla_2017,tabla_2020)
ingresos_2017_2020 <- ingresos_2017_2020[,-c(3,4,6)]
write_xlsx(ingresos_2017_2020,"ingresos_subsidios_monetarios_2017_2020.xlsx")
kbl(ingresos_2017_2020) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | promedio_2017 | promedio_2020 |
|---|---|---|
| Región de Antofagasta | 21199.34 | 41288.96 |
| Región de Arica y Parinacota | 29396.29 | 58303.43 |
| Región de Atacama | 28451.32 | 53926.23 |
| Región de Aysén del Gral. Carlos Ibáñez del Campo | 42050.07 | 50612.77 |
| Región de Coquimbo | 38202.46 | 62351.79 |
| Región de La Araucanía | 49937.00 | 80434.04 |
| Región de Los Lagos | 45400.58 | 70241.05 |
| Región de Los Ríos | 41685.97 | 71363.66 |
| Región de Magallanes y de la Antártica Chilena | 24657.26 | 43825.70 |
| Región de Ñuble | 50025.49 | 74955.39 |
| Región de Tarapacá | 24767.50 | 46597.95 |
| Región de Valparaíso | 32499.84 | 56153.71 |
| Región del Biobío | 37947.34 | 63475.73 |
| Región del Libertador Gral. Bernardo O’Higgins | 34926.33 | 60012.31 |
| Región del Maule | 44321.80 | 69962.72 |
| Región Metropolitana de Santiago | 24299.65 | 42914.86 |
2.4 Comparación de los ingresos por tipo y región entre los años 2017-2020
p <- plot_ly(ingresos_2017_2020, width = 1200, x = ~region, y = ~promedio_2017, name = '2017', mode = 'markers') %>% add_lines()
p <- p %>% add_lines(y = ~promedio_2020, name = '2020', mode = 'markers')
p 2.4.1 Ingreso monetario del hogar: ymonecorh 2020-2017
#### 2020
tabla_prom_reg <- data.frame()
for (i in reg_20) {
casen_fh <- filter(casen2020, casen2020$region == i)
casen_fh <- casen_fh[,c("region","folio","ymonecorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio_2020 = mean(rr$ymonecorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("ingreso_monetario_oficial_2020.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_2020 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2020 <- tabla_2020[,-c(3)]
#### 2017
tabla_prom_reg <- data.frame()
for (i in reg_17) {
casen_fh <- filter(casen2017, casen2017$region == i)
casen_fh <- casen_fh[,c("region","folio","ymonecorh")]
casen_fh$folio <- as.character(casen_fh$folio)
tabla <- table(casen_fh$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
repetidos2 <- repetidos2[,c(2,1,4,3)]
rr <- repetidos2[!duplicated(repetidos2$folio ), ]
tabla_reg <- data.frame(
region = i,
promedio_2017 = mean(rr$ymonecorh)
)
tabla_prom_reg <- rbind(tabla_prom_reg, tabla_reg)
}
tabla_ing_aut <- read_xlsx("ingreso_monetario_oficial_2017.xlsx")
names(tabla_ing_aut)[3] <- "region"
names(tabla_ing_aut)[1] <- "region_c"
tabla_2017 = merge(x = tabla_prom_reg, y = tabla_ing_aut, by = "region", all.x = T)
tabla_2017 <- tabla_2017[,-c(3)]
tabla_2017$region[tabla_2017$region == "Región de Ayséndel Gral. Carlos Ibáñez del Campo"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2017$region[tabla_2017$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"Unión de la tabla de resultados
ingresos_2017_2020 <- cbind(tabla_2017,tabla_2020)
ingresos_2017_2020 <- ingresos_2017_2020[,-c(3,4,6)]
write_xlsx(ingresos_2017_2020,"ingresos_monetarios_hog_2017_2020.xlsx")
kbl(ingresos_2017_2020) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| region | promedio_2017 | promedio_2020 |
|---|---|---|
| Región de Antofagasta | 1082415.3 | 1074851.4 |
| Región de Arica y Parinacota | 744746.0 | 788127.3 |
| Región de Atacama | 824931.3 | 889877.3 |
| Región de Aysén del Gral. Carlos Ibáñez del Campo | 1048082.4 | 1018217.0 |
| Región de Coquimbo | 630122.9 | 715043.1 |
| Región de La Araucanía | 628400.9 | 644167.1 |
| Región de Los Lagos | 734295.3 | 746153.4 |
| Región de Los Ríos | 706771.3 | 728877.5 |
| Región de Magallanes y de la Antártica Chilena | 1159997.2 | 1111465.6 |
| Región de Ñuble | 590602.4 | 611937.6 |
| Región de Tarapacá | 948130.5 | 952512.3 |
| Región de Valparaíso | 836373.9 | 827520.4 |
| Región del Biobío | 693994.1 | 754739.2 |
| Región del Libertador Gral. Bernardo O’Higgins | 674850.1 | 767831.9 |
| Región del Maule | 649080.3 | 726854.2 |
| Región Metropolitana de Santiago | 1342662.6 | 1264971.3 |
2.5 Comparación de los ingresos por tipo y región entre los años 2017-2020
p <- plot_ly(ingresos_2017_2020, width = 1200, x = ~region, y = ~promedio_2017, name = '2017', mode = 'markers') %>% add_lines()
p <- p %>% add_lines(y = ~promedio_2020, name = '2020', mode = 'markers')
p 3 Validación de los diferentes tipos de ingreso de la Casen comparando calculos propios con los oficiales ($ noviembre de cada año)
link 1(ver aquí)
link 2 (ver aquí)
POBREZA EN PORCENTAJE DE PERSONAS 2006
unique(casen2006$CORTE)## [1] "No pobre" "Indigente" "Pobre no indigente"
## [4] NA
tabla_matp <-xtabs(casen2006$EXPC~COMUNA+CORTE, data = casen2006)
head(tabla_matp,10)## CORTE
## COMUNA Indigente No pobre Pobre no indigente
## Aisén 776 22452 402
## Algarrobo 307 9647 831
## Alhué 166 4013 441
## Alto Bío Bío 1317 5825 1936
## Alto del Carmen 0 4450 61
## Alto Hospicio 3523 58114 12901
## Ancud 309 37931 2579
## Andacollo 421 6746 2041
## Angol 3302 37857 7814
## Antofagasta 8968 305199 10778
s1 <- sum(tabla_matp[,1])+sum(tabla_matp[,2])+sum(tabla_matp[,3])
s2 <- sum(tabla_matp[,1])
s2*100/s1## [1] 3.206491
casen_2006_r1 <- filter(casen2006, casen2006$R == "VIII")
# head(casen_2006_r1)# casen_2006_r1 %>% filter(!is.na(CORTE))
tabla_matp <-xtabs(casen_2006_r1$EXPR~R+CORTE, data = casen_2006_r1)
# head(tabla_matp,10)s1 <- sum(tabla_matp[,1])+sum(tabla_matp[,2])+sum(tabla_matp[,3])
s2 <- sum(tabla_matp[,3])
s2*100/s1## [1] 15.51188
4 El ingreso autónomo per cápita del hogar
4.1 Ingreso autónomo percápita del hogar, CASEN 2011 ($ de noviembre de 2011)
Ingreso autónomo per cápita del hogar, promedio de los hogares es el Valor correspondiente a la suma de los ingresos autónomos per cápita de todos los hogares, dividido por el total de hogares.
El ingreso autónomo se define como todos los pagos que recibe el hogar, provenientes tanto del trabajo como de la propiedad de los activos. Estos incluyen sueldos y salarios (monetarios y en especies), ganancias provenientes del trabajo independiente, la auto provisión de bienes producidos por el hogar, rentas, intereses, jubilaciones, pensiones, montepíos y transferencias corrientes entre privados.
El ingreso autónomo per cápita del hogar es la suma de los ingresos autónomos de todos los miembros del hogar, dividido por el número de integrantes del hogar, excluido el servicio doméstico puertas adentro.
folio: Identificación del hogar.
casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
# casen2011 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2011_c.rds")
casen2011 <- mutate_if(casen2011, is.factor, as.character)
# head(casen2011,5)4.1.1 Hacemos un subset con la region metropolitana
casen2011_rm <- filter(casen2011, casen2011$region == "Metropolitana")# comuna_ing <- unique(casen2011_rm$comuna)
tabla <- table(casen2011_rm$folio)
tabla <- as.data.frame(tabla)
colnames(tabla) <- c("folio","freq_folio")
head(tabla,10)## folio freq_folio
## 1 131011001011 1
## 2 131011001041 1
## 3 131011001061 1
## 4 131011001121 1
## 5 131011001131 1
## 6 131011001161 1
## 7 131011001191 3
## 8 131011001201 1
## 9 131011001211 1
## 10 131011001221 2
casen_fh <- casen2011_rm[,c("comuna","folio","yauthaj","expc_full","numper")]
casen_fh$folio <- as.character(casen_fh$folio)
repetidos2 <- merge(x=casen_fh, y=tabla, by = "folio", all.x = T)
#repetidos2 <- repetidos2[,c(2,1,6,4,5)]
rr <- repetidos2[!duplicated(repetidos2$folio), ]
head(rr,10)## folio comuna yauthaj expc_full numper freq_folio
## 1 131011001011 Santiago 1653583 94 1 1
## 2 131011001041 Santiago 560401 94 1 1
## 3 131011001061 Santiago 1044093 94 1 1
## 4 131011001121 Santiago 1430074 94 1 1
## 5 131011001131 Santiago 444180 94 1 1
## 6 131011001161 Santiago 613347 94 1 1
## 7 131011001191 Santiago 1235752 94 3 3
## 10 131011001201 Santiago 1674543 94 1 1
## 11 131011001211 Santiago 295815 94 1 1
## 12 131011001221 Santiago 3461482 94 2 2
Aca vamos a calcular promedios de personas por hogar:
rr$ing_per_h <- rr$yauthaj/rr$freq_folio
aaa <- aggregate(rr$ing_per_h, list(rr$comuna), FUN=mean)
names(aaa)[1]<-c("Comuna")
aaa$`mean.rr$ing_per_h` <- as.numeric(aaa$`mean.rr$ing_per_h`)
names(aaa)[2]<-c("calculo_propio")
write_xlsx(aaa, "aaaa.xlsx")
bbb <- read.csv2("ing_aut_percap_del_hogar_casen2011.csv")
bbb$`iaph` <- as.numeric(bbb$`iaph`)
names(bbb)[1] <- "Comuna"
ccc <- merge(x = aaa, y = bbb, by = "Comuna", all.x = TRUE)p <- plot_ly(ccc, width = 1200, x = ~
Comuna, y = ~calculo_propio) %>%
add_lines()
#p <- plot_ly(width = 800, height = 800)
p <- p %>% add_trace(y = ~iaph, name = 'iaph', mode = 'markers')
p## No trace type specified:
## Based on info supplied, a 'bar' trace seems appropriate.
## Read more about this trace type -> https://plotly.com/r/reference/#bar
## Warning: 'bar' objects don't have these attributes: 'mode'
## Valid attributes include:
## 'type', 'visible', 'showlegend', 'legendgroup', 'opacity', 'name', 'uid', 'ids', 'customdata', 'meta', 'selectedpoints', 'hoverinfo', 'hoverlabel', 'stream', 'transforms', 'uirevision', 'x', 'x0', 'dx', 'y', 'y0', 'dy', 'xperiod', 'yperiod', 'xperiod0', 'yperiod0', 'xperiodalignment', 'yperiodalignment', 'text', 'texttemplate', 'hovertext', 'hovertemplate', 'textposition', 'insidetextanchor', 'textangle', 'textfont', 'insidetextfont', 'outsidetextfont', 'constraintext', 'cliponaxis', 'orientation', 'base', 'offset', 'width', 'marker', 'offsetgroup', 'alignmentgroup', 'selected', 'unselected', 'r', 't', '_deprecated', 'error_x', 'error_y', 'xcalendar', 'ycalendar', 'xaxis', 'yaxis', 'idssrc', 'customdatasrc', 'metasrc', 'hoverinfosrc', 'xsrc', 'ysrc', 'textsrc', 'texttemplatesrc', 'hovertextsrc', 'hovertemplatesrc', 'textpositionsrc', 'basesrc', 'offsetsrc', 'widthsrc', 'rsrc', 'tsrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'
5 Analisis por personas por comuna
Si llegamos a tal nivel de sofisticacion con el percapita y las variables calculadas coinciden con las publicadas sobre varios anos, aunque no exista publicacion oficial con la cual comparar a nivel de personas, nuestras estimaciones deberian estar ok.
Vamos a estimar a nivel porcentual la variación del ingreso total personal entre el 2017 y el 2020 por comuna.
5.1 Ingresos
salida_001 = aggregate(casen2017[,c("ytotcor")],by = list(PAISES = casen2017$comuna), FUN = mean)
names(salida_001)[1]<-c("comunas")
names(salida_001)[2]<-c("promedios totales 2017")
head(salida_001,10)## comunas promedios totales 2017
## 1 Algarrobo 481159.9
## 2 Alhué 376332.9
## 3 Alto Biobío 228063.8
## 4 Alto del Carmen 264821.7
## 5 Alto Hospicio 342817.8
## 6 Ancud 247563.6
## 7 Andacollo 284461.3
## 8 Angol 319658.5
## 9 Antofagasta 562035.7
## 10 Antuco 237217.3
salida_002 = aggregate(casen2020[,c("ytotcor")],by = list(PAISES = casen2020$comuna), FUN = mean)
names(salida_002)[1]<-c("comunas")
names(salida_002)[2]<-c("promedios totales 2020")
head(salida_002,10)## comunas promedios totales 2020
## 1 Algarrobo 260872.7
## 2 Alhué 266054.7
## 3 Alto Biobío 215322.3
## 4 Alto del Carmen 196643.9
## 5 Alto Hospicio 206293.8
## 6 Ancud 224070.3
## 7 Andacollo 186774.1
## 8 Angol 209548.4
## 9 Antofagasta 361246.8
## 10 Antuco 251406.4
union_003 <- merge(salida_001,salida_002, by="comunas", all.x = TRUE)
union_003$difer_por <- (100-100*union_003$`promedios totales 2017`/union_003$`promedios totales 2020`)
head(union_003,10)## comunas promedios totales 2017 promedios totales 2020 difer_por
## 1 Algarrobo 481159.9 260872.7 -84.442416
## 2 Alhué 376332.9 266054.7 -41.449440
## 3 Alto Biobío 228063.8 215322.3 -5.917394
## 4 Alto del Carmen 264821.7 196643.9 -34.670701
## 5 Alto Hospicio 342817.8 206293.8 -66.179407
## 6 Ancud 247563.6 224070.3 -10.484792
## 7 Andacollo 284461.3 186774.1 -52.302359
## 8 Angol 319658.5 209548.4 -52.546365
## 9 Antofagasta 562035.7 361246.8 -55.582207
## 10 Antuco 237217.3 251406.4 5.643907
2009
ab <- casen2009
eliminated <-ab
a <- eliminated$YTOTAJ
b <- eliminated$COMUNA
c <- eliminated$SEXO
d <- eliminated$T5
promedios_grupales <-aggregate(a, by=list(b, c, d), FUN = mean , na.rm = TRUE)
promedios_grupales_sd <-aggregate(a, by=list(b, c, d), FUN = sd , na.rm = TRUE)
promedios_grupales$sd = promedios_grupales_sd$sd.a
d<-promedios_grupales
d$Año <- "2009"
ttt <- d[complete.cases(d), ]
names(ttt)[1] <- "Comuna"
names(ttt)[2] <- "Sexo"
names(ttt)[3] <- "Etnia"
names(ttt)[4] <- "Promedio"
names(ttt)[5] <- "Desviación standard"
names(ttt)[6] <- "Año"
tttcodigos_comunales <- readRDS(file = "C:/Users/chris/OneDrive/Documentos/archivos_grandes/codigos_comunales_2009.rds")
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
df_2009 = merge( x = ttt, y = codigos_comunales, by = "Comuna", all.x = TRUE)
df_2009 <- df_2009[!(df_2009$Promedio == 0),]
tabla_matp2 <- df_2009[complete.cases(df_2009), ]
tabla_matp2 %>% datatable(extensions = 'Buttons',class = 'cell-border stripe',
options = list(
dom = 'Blfrtip',
buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
pageLength = 5,
autoWidth = TRUE,
scrollX = TRUE,
lengthMenu = list(c(10,25,50,-1),c(10,25,50,"All"))
)) 5.2 Frecuencias
ab <- casen2009
b <- ab$COMUNA
c <- ab$SEXO
d <- ab$T5
tabla_matp <-xtabs(ab$EXPC~b+c+d, data = ab)
tabla_matp <- as.data.frame(tabla_matp)
tabla_matp <-tabla_matp[!(tabla_matp$Freq == 0),]
tabla_matp %>% datatable(extensions = 'Buttons',class = 'cell-border stripe',
options = list(
dom = 'Blfrtip',
buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
pageLength = 5,
autoWidth = TRUE,
scrollX = TRUE,
lengthMenu = list(c(10,25,50,-1),c(10,25,50,"All"))
))